Boletim de Serviço Eletrônico em 12/03/2021

 

 

Ministério da Educação

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ

DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO - CAMPUS DOIS VIZINHOS

DEPARTAMENTO DE APOIO DOS CURSOS DE ESPECIALIZAÇÃO LATO-SENSU DO CAMPUS DOIS VIZINHOS

 

EDITAL nº 03/2021 - DIRPPG/DIRGE-DV - vagas remanescentes

Diretoria de Pesquisa e Pós-Graduação - Campus Dois Vizinhos

CURSO DE ESPECIALIZAÇÃO EM CIÊNCIA DE DADOS

 

A Direção-Geral do Câmpus Dois Vizinhos, conjuntamente com a Diretoria de Pesquisa e Pós-Graduação, torna público que estão abertas as inscrições para o CURSO DE ESPECIALIZAÇÃO EM CIÊNCIA DE DADOS, nível Lato Sensu, para preenchimento de vagas remanescentes oriundas do Edital 009/2020-DIRPPG, cujo funcionamento foi aprovado pelo Conselho de Ensino, Pesquisa e Pós-Graduação da UTFPR - COPPG, conforme Resolução 08/2020, de acordo com o Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR, aprovado pela Resolução 33/2019 de 30 de setembro de 2019, do COPPG, e em concordância com a Resolução 01/2018 CNE/CES, obedecendo as seguintes condições:

        

I - FINALIDADE DO CURSO

O curso de Especialização em Ciência de Dados, na modalidade à distância, objetiva preparar profissionais especialistas para que possam atuar em serviços de (i) Gerência e Administração de Banco de Dados, (ii) Inteligência de Negócio, (iii) Inteligência Artificial e Aprendizagem de Máquina, e (iv) Gerenciamento de Volumes Massivos de Dados. Os objetivos específicos desse curso são: (i) formar recursos humanos com análise crítica preparado para atuar na academia e indústria, (ii) correlacionar o desenvolvimento de métodos e modelos propostos na literatura científica da Ciência de Dados com a resolução de problemas reais enfrentados pelas organizações, e (iii) introduzir o desenvolvimento de trabalhos técnico-científicos que podem contribuir para as organizações e sociedade.

Área de Conhecimento: Banco de Dados (1.03.03.03-0).

 

II - LOCAL DO CURSO

O curso será ministrado no Ambiente Virtual de Ensino e Aprendizagem (AVEA) Moodle Institucional da UTFPR. O curso de Especialização em Ciência de Dados será ambientado no Câmpus de Dois Vizinhos, situado à Estr. p/ Boa Esperança, km 04 - Zona Rural, Dois Vizinhos - PR, 85660-000.

 

III - DURAÇÃO, TURNO E HORÁRIO DE FUNCIONAMENTO DO CURSO

A carga horária total do curso é de 360 horas, sendo que as aulas são ministradas semanalmente por meio do AVEA Moodle Institucional da UTFPR. Utilizando este ambiente o docente de uma disciplina poderá disponibilizar: (i) material didático como apresentações e apostilas, (ii) vídeos curtos que descrevem os pontos principais do material didático disponibilizado, (iii) web conferências que serão gravadas e contarão com a participação virtual dos alunos, tirando dúvidas e discutindo o conteúdo das disciplinas, e (iv) procedimentos avaliativos. 

 

IV - VAGAS

Para este processo seletivo serão ofertadas 15 vagas para concorrência público. O número total de vagas poderá ser majorado, considerando-se as confirmações de matrículas dos alunos matriculados em primeira chamada. O número total de alunos pagantes matriculados não excederá o limite de 75 vagas.
 

V - DATAS PARA INSCRIÇÃO, CLASSIFICAÇÃO E MATRÍCULA

Período de Inscrição

16/03/2021 a 19/03/2021

Resultado da classificação

22/03/2021

Interposição de Recurso 

22/03/2021 a 03/04/2021

Período de Matrícula

23/03/2021 a 26/03/2021


 

VI - CONDIÇÕES PARA INSCRIÇÃO

Os interessados em participar do processo de classificação deverão:

Obs.: O certificado de conclusão é aceito apenas para inscrição e matrícula. Para fazer jus ao Certificado da Especialização, além de cumprir os requisitos acadêmicos do curso, o estudante deverá obrigatoriamente entregar cópia do Diploma de Graduação e apresentar o documento original para autenticação em até seis meses após o início das atividades letivas, sob pena de cancelamento da matrícula.

 

VII - CRONOGRAMA DE EXECUÇÃO DO CURSO

Início das atividades letivas

13/03/2021 (aulas gravadas)

Férias

02/08/2021 a 08/08/2021 e  

27/12/2021 a 09/01/2022  

Reinício das atividades letivas

09/08/2021 e 10/01/2022

Término das atividades letivas

15/05/2022

Data limite para entrega do Trabalho de Conclusão de Curso

12/09/2022

 

VIII - CRITÉRIOS PARA CLASSIFICAÇÃO

Subitem

Pontos por subitem

Limite por subitem

Limite do conjunto

Diploma de graduação na área*

30 por diploma

30

30

Curso na área de programação

1 por hora

30

Livro 

3 por livro

Não há

25

Capítulo de livro 

2 por capítulo

Não há

Periódicos 

JCR acima de 2 ou SNIP acima de 1,501

10 por trabalho

Não há

JCR de 1 até 1,99 ou SNIP de 1,001 até 1,500

8 por trabalho

Não há

JCR de 0,2 até 0,99 ou SNIP de 0,501 até 1,000

4 por trabalho

Não há

SNIP de 0,001 até 0,500

2 por trabalho

Não há

Sem JCR ou SNIP

1 por trabalho

5

Trabalhos publicados em eventos científicos na área*

Internacionais (trabalho completo, resumo expandido ou resumo)

4 por trabalho

20

Nacionais ou regionais ou locais (trabalho completo ou resumo expandido ou resumo)

2 por trabalho

Patente ou registro de software na área*

Concedidas e 

Devidamente registradas

2 por item

10

Participação em projetos financiados na área*

2 por projeto

10

Experiência profissional comprovada na área*

3 por ano

30

30

Média aritmética de notas obtidas na graduação 

8 a 10

15 pontos

15

15

6 a 8

5 pontos

5

4 a 6

3 pontos

3

* de computação, matemática, física, estatística, engenharias e outras áreas que a Comissão de Seleção julgar pertinentes à área de Ciência de Dados
 

 

IX - MATRÍCULA

 

X – CONVÊNIO UTFPR E FUNTEF-PR

 

XII - CONDIÇÕES DE PAGAMENTO

 

XIII - CERTIFICADO DE CONCLUSÃO

 

XIV – INFORMAÇÕES GERAIS


 

 

Profa. Dra. Michele Potrich

Diretora de Pesquisa e Pós-Graduação do Câmpus Dois Vizinhos

 

 

 

Prof. Dr. Everton Ricardi Lozano da Silva

Diretor Geral Câmpus Dois Vizinhos

 

Relação de links desse edital:

 

Diretoria de Pesquisa e Pós-Graduação-Câmpus Dois Vizinhos (DIRPPG-DV):

http://portal.utfpr.edu.br/estrutura/pesquisa-e-pos-graduacao/dirppg/dois-vizinhos

 

Pós-Graduação Lato Sensu-Especializações:

http://www.utfpr.edu.br/cursos/especializacao

 

Pré-Inscrição | Postagem de documentos | Consulta seleção: 

http://pos.funtefpr.org.br/

 

Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR:

http://portal.utfpr.edu.br/documentos/pesquisa-e-pos-graduacao/proppg/lato-sensu/regulamento_lato_sensu_2018/view

 


logotipo

Documento assinado eletronicamente por (Document electronically signed by) MICHELE POTRICH, DIRETOR(A), em (at) 12/03/2021, às 17:24, conforme horário oficial de Brasília (according to official Brasilia-Brazil time), com fundamento no (with legal based on) art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015.


logotipo

Documento assinado eletronicamente por (Document electronically signed by) EVERTON RICARDI LOZANO DA SILVA, DIRETOR(A)-GERAL, em (at) 12/03/2021, às 17:55, conforme horário oficial de Brasília (according to official Brasilia-Brazil time), com fundamento no (with legal based on) art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015.


QRCode Assinatura

A autenticidade deste documento pode ser conferida no site (The authenticity of this document can be checked on the website) https://sei.utfpr.edu.br/sei/controlador_externo.php?acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador (informing the verification code) 1936450 e o código CRC (and the CRC code) FB681AC9.



Anexo 1: DISCIPLINAS DO CURSO DE ESPECIALIZAÇÃO EM CIÊNCIA DE DADOS

 

Disciplina: Ambiente de Ensino e Aprendizagem a Distância (1)

Carga Horária: 10 horas

Objetivo:

Compreender o conceito EAD como modalidade de ensino, suas especificidades, definições e evolução ao longo do tempo. 

Participar de uma comunidade virtual de aprendizagem.

Conhecer as regras de convivência para participação de comunidades virtuais e as ferramentas de comunicação: emoticons, netiqueta, clareza, citações e diretrizes de feedback.

Participar de atividades de ambientação do ambiente virtual de aprendizagem (Moodle) e experimentar seus recursos e ferramentas como maneira de viabilizar sua participação como aluno virtual em disciplinas posteriores em seu curso virtual.

Programa:

Importância da tecnologia de informação e de comunicação como mediadora da aprendizagem.

Apresentação do ambiente WEB como um dos meios eficazes para a EAD. 

Diferentes categorias de EAD e os modelos de aprendizagem usados no desenvolvimento de um curso à distância em diferentes níveis: superior e pós-graduação.

Aspectos (pedagógicos, tecnológicos, organizacionais e institucionais) associados ao EAD baseado na WEB. 

Apresentação e análise de diferentes ambientes virtuais: Moodle, TelEduc, Eureka, AulaNet e outros.

Ênfase nas ferramentas disponibilizadas pelo Moodle.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. MORAES, M. C. Educação a distância: fundamentos e práticas. Campinas, SP: Unicamp/Nied, 2002. 

  2. QUINTELA, A. J. F.; ZAMBERLAN, M. F. Ambientação para EAD. Cuiabá, MT: Rede eTec Brasil, 2014.

  3. NASH, S.; PILJAK, Z; MOORE, M. Moodle Course Design Best Practices. England: Packt Publishing, 2014.

  4. SILVA, R. S. Moodle 3 para gestores, autores e tutores: Educação na era digital. São Paulo, SP: Novatec, 2016.

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 1 e 3 disponíveis.

 

Disciplina: Análise e Modelagem de Banco de Dados (2)

Carga Horária: 20 horas

Objetivo:

Apresentar a visão geral do gerenciamento de banco de dados relacionais.

Explicar o projeto conceitual de banco de dados relacional aplicando o modelo entidade-relacionamento e o diagrama entidade-relacionamento.

Estender conceitos do projeto conceitual de banco de dados para considerar diferentes visões de usuários e principais problemas de integração de esquemas.

Explicar o mapeamento do projeto conceitual para o projeto lógico usando o modelo relacional.

Apresentar conceitos fundamentais de álgebra relacional.

Programa:

Demonstração da visão geral de banco de dados relacionais.

Importância de um Sistema Gerenciador de Banco de Dados e do uso de banco de dados na ciência de dados. 

Abstração de dados: classificação, agregação, divisão e generalização. 

Projeto de banco de dados relacional: modelagem conceitual, lógica e física. 

Modelo entidade-relacionamento (MER) e a construção de diagramas entidade-relacionamento considerando problemas de integração de esquemas entre diferentes visões de usuários. 

Demonstração de técnicas de mapeamento do MER para o modelo lógico (esquema relacional). 

Dependências funcionais: normalização e sua importância.

Álgebra relacional: operadores fundamentais.

Construção de um projeto de banco de dados relacional: nível conceitual e lógico.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. HEUSER, C. A. Projeto de banco de dados. Porto Alegre, RS: Bookman, 2008.

  2. SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistema de banco de dados. Rio de Janeiro, RJ: Elsevier, 2012.

  3. MACHADO, F. N. R. Banco de dados: projeto e implementação. São Paulo, SP: Erica, 2014.

  4. ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. São Paulo, SP: Pearson Addison-Wesley, 2019.

 

Consulta à base BiblioTec em 27/11/2019: bibliografia 3 disponível.

 

Disciplina: Introdução à Análise e Ciência de Dados (3)

Carga Horária: 20 horas

Objetivo:

Abordar os aspectos fundamentais acerca ciência de dados. 

Apresentar as principais etapas do processo de tomada de decisão e discutir os objetivos de cada etapa, a problemática envolvida, e as ferramentas tipicamente empregadas na solução dos problemas. 

Apresentar e discutir técnicas para coleta, integração, pré-processamento e análise de dados, comunicação e visualização de resultados.

Introduzir a linguagem de programação R para ciência de dados.

Programa:

Apresentação e discussão acerca ciência de dados e suas relações com Big Data e Inteligência de Negócio.

Demonstração do ecossistema de ciência de dados (etapas) e as capacidades exigidas de um cientista de dados.

Interpretação dos dados e como a ciência de dados pode solucionar problemas.

Coleta e pré-processamento de dados: obtenção de dados, tipos/formatos de dados, data scraping, Web, bibliotecas, limpeza, normalização e seleção de atributos e amostras.

Análise exploratória de dados: exploração dos dados, estatísticas descritivas (por exemplo, média, mediana, moda).

Visualização de dados: tipos de gráficos/dados, visualização, ferramentas e bibliotecas para construção de gráficos estáticos, dinâmicos e interativos.

Utilização da linguagem R para demonstração de conceitos.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. L. F. Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. Rio de Janeiro, RJ: LTC, 2011. 

  2. AMARAL, F. Introdução a ciência de dados: Mineração de dados e Big Data. Rio de Janeiro, RJ: Alta Books, 2016.

  3. GROLEMUND, G.; WICKHAM, H. R for Data Science: Visualize, model, transform, tidy, and import data. USA: O’Reilly Media, 2016.

 

Consulta à base BiblioTec em 27/11/2019: bibliografia 3 disponível.

 

Disciplina: Introdução ao Gerenciamento de Banco de Dados (4)

Carga Horária: 10 horas

Objetivo:

Apresentar a visão geral das linguagens de programação para banco de dados relacionais e suas relações com a ciência de dados.

Explicar e implementar o projeto físico de um banco de dados relacional.

Aplicar a linguagem de definição de dados e a linguagem de manipulação de dados da SQL em um projeto de banco de dados relacional.

Apresentar conceitos gerais das outras partes da linguagem SQL.

Programa:

Demonstração das linguagens de programação usadas em um Sistema Gerenciador de Banco de Dados (SGBD) e sua importância na ciência de dados. 

Utilização de um SGBD: instalação, configuração, usuários e funcionalidades principais.

Construção do esquema físico de um banco de dados relacional.

Linguagem de definição de dados (DDL): criação, remoção e alterações estruturais de objetos armazenados em um banco de dados relacional.

Linguagem de manipulação de dados (DML): inserção, remoção, alteração e recuperação de dados. 

Conceitos básicos das linguagens de: controle de dados e controle de transações.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. 

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia: 

  1. SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistema de banco de dados. Rio de Janeiro, RJ: Elsevier, 2012.

  2. CHAUHAN, C. PostgreSQL Cookbook. Birmingham, UK: Packt Publishing, 2015.

  3. MACHADO, F. N. R. Banco de dados: projeto e implementação. São Paulo, SP: Erica, 2014.

  4. NIELD, T. Introdução à Linguagem SQL: Abordagem Prática Para Iniciantes. São Paulo, SP: Novatec, 2016. 

  5. ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. São Paulo, SP: Pearson Addison-Wesley, 2019.

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 2 e 3 disponíveis.

 

Disciplina: Administração e Gerenciamento de Banco de Dados (5)

Carga Horária: 20 horas

Objetivo:

Contrastar elementos avançados da linguagem de manipulação de dados da SQL para recuperar dados de forma eficiente destacando esta importância na ciência de dados.

Aplicar a linguagem de controle de dados e a linguagem de controle de transações da SQL em um projeto de banco de dados relacional.

Construir esquemas de administração de usuários, delegar suas permissões e analisar aspectos de segurança.

Desenvolver gatilhos, funções e outras funcionalidades utilizando a linguagem de programação procedural do Sistema Gerenciador de Banco de Dados e seu impacto na ciência de dados.

Introduzir ferramentas avançadas para um SGBD: extensões e outras linguagens procedurais.

Programa:

Importância do gerenciamento e administração de banco de dados relacional na ciência de dados.

Otimização na recuperação de dados: estruturas de indexação (índice invertido, B-tree, Hash, Bitmap, entre outros), plano de execução de consulta, habilitação de funcionalidades extras do Sistema Gerenciador de Banco de Dados (SGBD), conceitos de tunning (configurações avançadas de um SGBD).

Linguagem de controle de dados (DCL): atribuição, remoção e tipos de privilégios sobre um objeto de um banco de dados relacional.

Linguagem de controle de transações (TCL): conceito de transação e controle de concorrência, problemas clássicos de concorrência, propriedades ACID (atomicidade, consistência, isolamento e durabilidade).

Linguagem de programação procedural: gatilhos, funções, procedimentos e outras funcionalidades.

Introdução ao SGBD extensível: bibliotecas, ferramentas e outras linguagens procedurais.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistema de banco de dados. Rio de Janeiro, RJ: Elsevier, 2012.

  2. CHAUHAN, C. PostgreSQL Cookbook. Birmingham, UK: Packt Publishing, 2015.

  3. MACHADO, F. N. R. Banco de dados: projeto e implementação. São Paulo, SP: Erica, 2014.

  4. NIELD, T. Introdução à Linguagem SQL: Abordagem Prática Para Iniciantes. São Paulo, SP: Novatec, 2016. 

  5. ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. São Paulo, SP: Pearson Addison-Wesley, 2019.

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 2 e 3 disponíveis.

 

Disciplina: Preparação Pedagógica (6)

Carga Horária: 10 horas

Objetivo:

Discutir as abordagens sistêmicas do processo de ensino e aprendizagem.

Analisar os elementos que compõem um sistema de ensino em nível superior.

Apresentar e descrever os modelos de ensino e aprendizagem.

Contrastar a metodologia de ensino, as estratégias individuais e em grupo de aprendizagem.

Demonstrar e refletir sobre os métodos de avaliação de aprendizagem.

Apresentar ferramentas para elaboração de planos de ensino de disciplina e aula.

Programa:

Atuais desafios da Profissão Acadêmica: Ensino superior e sua função social. 

A formação de professores e a profissionalização do docente da Educação Superior. 

Metodologia do Ensino e da Aprendizagem: Planejamento Educacional.

As habilidades didáticas para docência e as competências para ensinar e para aprender.

Uso de tecnologias de informação e comunicação no processo de ensino e aprendizagem.

Construção de plano de ensino para o ensino superior e sua aplicação em uma aula.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. 

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. FREIRE, P. Pedagogia da Autonomia: saberes necessários à prática educativa. São Paulo, SP: Paz e Terra, 2016.

  2. GIL, A. C.. Metodologia do Ensino Superior. São Paulo, SP: Atlas, 2018.

  3. OLIVIERI, M. A. et al. Didática e Prática do Ensino Superior. São Paulo, SP: Globus, 2016.

 

Consulta à base BiblioTec em 27/11/2019: bibliografia 1 disponível.

 

Disciplina: Linguagens de Programação para Ciência de Dados (7)

Carga Horária: 20 horas

Objetivo:

Apresentar as principais linguagens de programação para ciência de dados.

Introduzir a linguagem de programação Python para ciência de dados.

Criar soluções algorítmicas aplicadas à ciência de dados. 

Aplicar as bibliotecas Matplotlib, NumPY e Pandas para a manipulação e visualização de dados. 

Contrastar os principais conceitos de ciência de dados.

Programa:

Principais linguagens de programação para ciência de dados e a importância/popularização da linguagem de programação Python.

Instalação e preparação de ambiente de programação para a linguagem Python.

Elementos básicos da linguagem Python, estrutura sequencial, de decisão e de repetição. 

Tipos de dados em Python: tipos básicos, tuplas, listas, mutação e dicionários. 

Funções. 

Manipulação de strings. 

Recursão, busca e ordenação. 

Classes e herança. 

Eficiência, estilo de programação e documentação interna. 

Introdução às bibliotecas Pandas, colab, spyder, Matplotlib e NumPy. 

Desenvolvimento de algoritmos utilizando Python.

Conceitos fundamentais: predição, aprendizado supervisionado e não supervisionado.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. IDRIS, I. Python Data Analysis: Learn how to apply powerful data analysis techniques with popular open source Python modules. UK: Packt Publishing Ltd, 2014.

  2. LANGTANGEN, H. P. A primer on scientific programming with Python. Berlin, Heidelberg: Springer, 2016. 

  3. GUTTAG, J. Introduction to Computation and Programming Using Python: With Application to Understanding Data Second Edition. USA: MIT Press, 2016.

  4. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017.

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 2, 4, e resenha da bibliografia 3 disponíveis.

 

Disciplina: Recuperação de Informação Baseada em Conteúdo (8)

Carga Horária: 20 horas

Objetivo:

Discutir sobre o gerenciamento de dados não convencionais (complexos) e sua manipulação em aplicações avançadas e modernas.

Contrastar os diferentes tipos de consultas por similaridade em bases de dados complexos, com e sem o uso da diversidade nos resultados.

Analisar a representação dos dados complexos, em especial imagens, em bases de dados pela extração de características por diferentes categorias, discutindo a dimensionalidade dos dados e como reduzi-las.

Contrastar as diferentes funções de distância, aplicando-as no espaço métrico.

Aplicar métodos de acesso métrico para melhorar o desempenho de consultas por similaridade.

Desenvolver aplicações utilizando imagens para enriquecer o uso da ciência de dados.

Programa:

Definição de dados não convencionais e suas manipulações: dados espaciais e imagens.

Importância de utilizar imagens em aplicações com ciência de dados.

Discussão dos principais operadores para manipular imagens.

Demonstração das etapas da recuperação de informação baseada em conteúdo.

Consultas por similaridade e suas implementações: Knn, consulta por abrangência (range query), Knn reverso, entre outros.

Diversidade em consultas por similaridade.

Descritores.

Extração de características: baseado em segmentação, textura, cor e suas combinações.

Funções de distância: Minkowski, Mahalanobis, Canberra, entre outras.

Definições de espaço métrico.

Métodos de acesso métrico: conceitos, implementação e desempenho.

Redução de dimensionalidade: PCA, Fractal e a maldição da dimensionalidade.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. CHÁVEZ, E. et al. Searching in metric spaces. ACM Computing Surveys. New York, v. 33., n. 3, p. 273-321, 2001. 

  2. BAEZA-YATES, R.; RIBEIRO-NETO, B. Recuperação de informação: conceitos e tecnologia das máquinas de busca. Porto Alegre, RS: Bookman, 2013.

  3. RUSS, J. C; NEAL, F. B. The Image Processing Handbook. Switzerland, Europe: CRC Press, 2016.

  4. TYAGI, V. Content-Based Image Retrieval. Singapore: Springer Nature, 2017.

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 2 e 3 disponíveis.

 

Disciplina: Introdução ao Big Data (9)

Carga Horária: 20 horas

Objetivo:

Introduzir conceitos fundamentais acerca Big Data e sua importância na ciência de dados.

Contrastar os diferentes tipos de modelos de dados NoSQL existentes, comparando com os modelos de dados relacionais.

Construir soluções de gerenciamento de dados utilizando como base os banco de dados NoSQL.

Aplicar técnicas para melhorar o processamento massivo de dados presentes em banco de dados NoSQL, culminando nos princípios de computação paralela e distribuída de dados.

Desenvolver aplicações para ciência de dados utilizando conceitos de Big Data e NoSQL.

Programa:

Conceitos básicos sobre Big Data e seus elementos principais: características dos Vs do Big Data.

Conceitos sobre NoSQL e sua importância na ciência de dados.

Paradigma BASE e suas diferenças em relação ao paradigma ACID.

Modelos de dados para NoSQL e Big Data: orientado a documentos, orientado a chave e valor, orientado a coluna, orientado a linha e orientado a grafo.

Banco de dados NoSQL: aplicações, desenvolvimento e suas linguagens de consulta.

Preparação de ambiente para utilização de um sistema NoSQL.

Conectividade de sistemas NoSQL utilizando uma linguagem de programação para ciência de dados.

Técnicas de otimização de consultas para Big Data usando ferramentas NoSQL.

Introdução ao processamento massivo de grandes volumes de dados: combinando NoSQL e Sistemas Gerenciadores de Dados tradicionais com sistemas distribuído de dados.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. 

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. GHAVAMI, P. K. Big Data Governance: Modern Data Management Principles for Hadoop, NoSQL & Big Data Analytics (English Edition). Washington, DC: CreateSpace Independent Publishing Platform,  2016.

  2. MARQUESONE, R. F. P. Big Data: Técnicas e tecnologias para extração de valor dos dados. São Paulo, SP: Casa do Código, 2017. 

  3. ÖZSU, M. T.; VALDURIEZ, P. Principles of Distributed Database Systems. France, Europe: HAL CCSD, Springer, 2019.

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 2 e 3 disponíveis.

 

Disciplina: Processamento Analítico de Dados (10)

Carga Horária: 20 horas

Objetivo:

Demonstrar o processamento analítico de dados como um subsídio fundamental para o auxílio na tomada de decisão estratégica e sua importância na inteligência de negócio.

Interpretar o ambiente de data warehousing como um aliado na ciência de dados.

Aplicar a modelagem dimensional na resolução de problemas.

Comparar consultas analíticas em termos de suporte à decisão, escalabilidade, desempenho e funcionamento.

Combinar soluções de banco de dados tradicionais e emergentes para o tratamento de dados para a inteligência de negócio apresentando uma visão holística de ferramentas OLAP e conceitos avançados de data warehousing.

Programa:

Visão geral das etapas e elementos do ambiente de data warehousing e do processamento analítico de dados.

Importância do processamento analítico de dados na ciência de dados aplicada à inteligência de negócio.

Processo de ETL: extração, transformação, limpeza e tratamento de dados e demonstração de ferramentas disponíveis.

Modelagem dimensional: conceitos e objetivos, hipercubo de dados, tabelas de fato, tabelas de dimensão, medidas, hierarquias e grafo de derivação e entre outros elementos.

Data warehouse: conceitos e aplicações, esquema estrela, esquema floco-de-neve e constelação de fatos. 

Ferramentas de processamento analítico de dados: OLTP e OLAP, arquitetura, aplicações, demonstração e suas linguagens de consulta.

Consultas e operações OLAP: drill-down, roll-up, drill-across, pivoting, slice-and-dice

Técnicas de otimização de consultas analíticas: fragmentação horizontal e vertical, visão materializada e estruturas de indexação.

Conceitos sobre data warehouses não-convencionais e data lake.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. KIMBALL, R.; ROSS, M. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. Switzerland, Europe: John Wiley and Sons, 2013.

  2. VAISMANN, A;, ZIMÁNYI, E. Data Warehouse Systems: Design and Implementation. Berlin, Heidelberg: Springer, 2014.

  3. LINSTEDT, D.; OLSCHIMKE, M. Building a Scalable Data Warehouse with Data Vault 2.0. Switzerland, Europe: Morgan Kaufmann, 2016. 

 

Consulta à base BiblioTec em 27/11/2019: todas bibliografias disponíveis.

 

Disciplina: Banco de Dados Espaciais (11)

Carga Horária: 20 horas

Objetivo:

Interpretar fenômenos do mundo real como objetos a serem representados como tipos de dados espaciais e posteriormente serem manipulados de forma eficiente em banco de dados espaciais.

Aplicar conceitos fundamentais de banco de dados espaciais como suporte à análise espacial na ciência de dados.

Contrastar e comparar consultas espaciais utilizando diferentes operadores em cenários realistas.

Construir soluções eficientes para manipular um volume massivo de dados espaciais.

Combinar banco de dados espaciais oriundos de diferentes fontes visando aplicá-los em outros ambientes para auxiliar a tomada de decisão.

Programa:

Definição de dados espaciais e sistemas de informação geográficas: abstrações, tipos de dados espaciais e o que eles representam no mundo real.

Importância da manipulação e análise espacial na ciência de dados.

Instalação e configuração de extensão espacial para um Sistema Gerenciador de Banco de Dados (SGBD).

Projeto e implementação de um banco de dados espacial utilizando um SGBD espacial. 

Representações de dados espaciais: formato textual, formato binário e tipos de arquivos.

Operações sobre dados espaciais: numéricas, geométricas de conjunto, relacionamentos topológicos, dependentes de tipo e operações diversas.

Consultas típicas em banco de dados espaciais.

Métodos de acesso espacial: conceitos, implementação e desempenho.

Aplicação de dados espaciais em ambientes para tomada de decisão: data warehouse espacial e consultas SOLAP.

Qualidade de dados espaciais: coleta de informações, conceitos iniciais de vagueza espacial e sua representação no mundo real.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. YEUNG, A. K. W.; HALL, G. B. Spatial Database Systems: Design, Implementation and Project Management. Netherlands: Springer, 2007.

  2. VISWANATHAN, G.; SCHNEIDER, M. User-Centric Spatial Data Warehousing: A Survey of Requirements & Approaches. International Journal of Data Mining, Modelling and Management, v. 6, n. 4, p. 369-390, 2014.

  3. ZURBARAN, M. et al. PostGIS Cookbook: Store, organize, manipulate, and analyze spatial data. Switzerland, Euope: Packt Publishing, 2018.

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 2 e 3 disponíveis.

 

Disciplina: Introdução ao Reconhecimento de Padrões (12)

Carga Horária: 20 horas

Objetivo:

Apresentar como o reconhecimento de padrões está associado à inteligência artificial e à ciência de dados.

Contrastar as diferentes formas de reconhecimento de padrões para a ciência de dados.

Ilustrar e explorar os conceitos abordados com exemplos práticos e cenários realistas.

Experimentar a formalização de problemas visando resolvê-los utilizando técnicas de reconhecimento de padrão.

Criar soluções algorítmicas para problemas utilizando princípios da ciência de dados selecionando métodos para aprendizagem supervisionada e não supervisionada.

Programa:

Visão do reconhecimento de padrões e sua importância na ciência de dados.

Modelos e métodos para aprendizagem supervisionada: árvores de decisão, modelos lineares (regressão linear e logística), Knn e support vector machine (SVM). 

Modelos e métodos para aprendizagem não supervisionada: K-means, DBScan, agrupamento hierárquico e PAM. 

Implementação de soluções algorítmicas de reconhecimento de padrões utilizando Python e/ou R.

Visão geral de quais tipos de modelos e métodos de aprendizagem supervisionado e não supervisionado a serem aplicados para resolver problemas em ciência e dados. 

Validação de modelo: holdout, cross-validation, problemas com overfitting e underfitting.

Matriz de confusão e medidas de desempenho: F-measure, acurácia, precisão e revocação, entre outras.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. BISHOP, C. M. Pattern Recognition and Machine Learning (Information Science and Statistics). Singapore: Springer, 2006.

  2. THEODORIDIS, S.; KOUTROUMBAS, K. Pattern Recognition. Academic Press, 2009.

  3. HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2016.

  4. JOSHI, P. Python Machine Learning Cookbook. Birmingham, UK: Packt Publishing, 2016.

  5. RASCHKA, S.; MIRJALILI, V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. UK: Packt Publishing, 2017. 

 

Consulta à base BiblioTec em 27/11/2019: bibliografia 4 disponível.

 

Disciplina: Metodologia de Pesquisa Científica em Computação (13)

Carga Horária: 20 horas

Objetivo:

Aplicar conhecimentos sobre os fundamentos do pensamento científico e as normas para a construção e o desenvolvimento de projetos, relatórios e trabalhos científicos.

Organizar o problema a ser resolvido no trabalho de conclusão de curso, oferecendo suporte nas tomadas de decisões de orientação, tema e técnicas de pesquisa a serem adotadas.

Planejar as primeiras etapas de escrita do trabalho de conclusão de curso.

Programa:

Conceitos fundamentais sobre a importância da pesquisa científica e sua aplicabilidade na resolução de problemas. 

Tipos de revisões bibliográficas.

Natureza da pesquisa: quantitativa e qualitativa.

Tipos de pesquisas experimentais: survey, estudo de caso, experimento.

Processo de experimentação: definição, seleção amostral, o planejamento do experimento e execução. Análise e interpretação dos resultados e empacotamento dos resultados.

Interpretação de problemas da academia e indústria para resolução utilizando ciência de dados.

O processo de seleção de temas para o trabalho de conclusão de curso - ciência de dados aplicado à: Inteligência de Negócio, Big Data e/ou dados não convencionais.

O processo de seleção de orientador.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. 

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. WAINER, J. Métodos de pesquisa quantitativa e qualitativa para a ciência computação. In T. KOWALTOWSKI e K. BREITMAN (Org.), Atualização em Informática da Sociedade Brasileira de Computação, pp. 221-262, 2007. Disponível para download no endereço http://www.ic.unicamp.br/~wainer/publications.html.

  2. WOHLIN, C. et al. Experimentation in Software Engineering. Sweden, Europe: Springer, 2012.

  3. WAZLAWICK, R. S. Metodologia de pesquisa para ciência da computação. Rio de Janeiro, RJ: Elsevier, 2014.  

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 2 e 3 disponíveis.

 

Disciplina: Tópicos Especiais em Ciência de Dados (14)

Carga Horária: 20 horas

Objetivo:

Analisar e comparar novas tendências tecnológicas de dispositivos de armazenamento na manipulação de dados.

Aplicar a imprecisão de valores na ciência de dados por meio de sistemas nebulosos.

Construir aplicações emergentes em ciência de dados por meio da extensibilidade provida por um sistema gerenciador de banco de dados.

Modelar tipos abstratos de dados definidos pelo usuário tendo em vista solucionar problemas específicos na manipulação de dados.

Projetar soluções algorítmicas usando sistemas nebulosos e dados não convencionais.

Programa:

Importância de sistemas nebulosos, estudo de novas memórias e extensibilidade de banco de dados na ciência de dados.

Sistemas nebulosos: teoria de conjuntos fuzzy, operações sobre conjuntos fuzzy, lógica fuzzy, sistema de inferência fuzzy, métodos de fuzzificação e defuzzificação.

Conceitos fundamentais de algoritmos avançados para lógica fuzzy: classificação fuzzy, agrupamento fuzzy e a geração automática e adequação de regras.

Aplicação da teoria de conjuntos e lógica fuzzy em dados não convencionais: o estudo de dados espaciais fuzzy e a inferência espacial fuzzy.

Gerenciamento de dados em memórias emergentes (flash, ReRAM, STT-RAM, entre outras): características intrínsecas, aplicações, estudos experimentais e algoritmos e estruturas de dados.

Banco de dados extensíveis: especificação de novos tipos abstratos de dados.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. WEST F. New Approaches in Fuzzy Logic. NY Research Press, 2015.

  2. CHEN, F.; HOU, B.; LEE, R. Internal parallelism of flash memory-based solid-state drives. ACM Transactions on Storage, v. 12, n. 3, p. 13:1–13:39, 2016.

  3. CARNIEL, A. C. Spatial Indexing on Flash-based Solid State Drives. Tese (Doutorado) — Universidade de São Paulo (USP), São Carlos, SP, Brasil, Junho 2018.

  4. FEVGAS, A. et al. Indexing in flash storage devices: a survey on challenges, current approaches, and future trends. The VLDB Journal, pp 1–39. 2019. 

  5. ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. São Paulo, SP: Pearson Addison-Wesley, 2019.

 

Consulta à base BiblioTec em 27/11/2019: bibliografia 3 disponível.

 

Disciplina: Escrita de Artigo Científico (15)

Carga Horária: 10 horas

Objetivo:

Demonstrar os aspectos acerca da problematização, contextualização e escopo de um artigo científico.

Experimentar a resolução de problemas por meio da escrita de artigo científico.

Planejar a estrutura de um artigo, seguindo o tema de pesquisa escolhido, e então propor conteúdo para cada seção evidenciada.

Organizar a revisão da literatura e trabalhos correlatos acerca o tema de pesquisa escolhido, comparando a estrutura dos artigos levantados.

Programa:

Conceitos fundamentais sobre a organização e escrita de artigo científico.

Estrutura de um artigo científico.

Tipos de artigos científicos: resumo, resumo expandido, artigo completo em conferência e artigo completo em periódico.

Classificação de eventos científicos e periódicos de acordo com o Qualis-CAPES, SNIP, JCR, entre outros.

Utilização de processadores e editores de texto na escrita de artigos (LaTeX e Word).

Escrita de seções de um artigo: resumo, introdução, métodos e metodologia, resultados.

Normas de escrita de artigos científicos em computação: IEEE, ACM, Springer, entre outros.

Ética na escrita e publicação de artigos: participação de autores, plágio e autoplágio.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. 

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. SWALES, J. M.; FEAK, C. B. Academic writing for graduate students: essential tasks and skills: a course for nonnative speakers of English. University of Michigan Press, 2012.

  2. WAZLAWICK, R. S. Metodologia de pesquisa para ciência da computação. Rio de Janeiro, RJ: Elsevier, 2014.  

  3. MEDEIROS, J. B.; TOMASI, C. Redação De Artigos Científicos. São Paulo, SP: Atlas, 2016.

 

Consulta à base BiblioTec em 27/11/2019: todas bibliografias disponíveis.

 

Disciplina: Métodos e Modelos Avançados em Ciência de Dados (16)

Carga Horária: 30 horas

Objetivo:

Experimentar e comparar conceitos avançados de técnicas, ferramentas e algoritmos de aprendizado de máquina para ciência de dados. 

Analisar a combinação de diferentes métodos e modelos como forma de enriquecimento da análise de dados.

Aplicar o fluxo de uma solução de ciência de dados para construir aplicações avançadas.

Ilustrar e explorar os conceitos abordados com exemplos práticos e cenários realistas.

Programa:

Visão geral dos modelos e métodos avançados em ciência de dados.

Redes Neurais Artificiais.

Modelos de Aprendizagem Profunda: Deep Learning e Rede neural convolucional.

Técnicas baseadas em Comitês: bagging e boosting.

Florestas aleatórias (random forest).

Inteligência de Enxame: PSO, ACO.

Fluxo de uma solução de ciência de dados em problemas reais.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. BISHOP, C. M. Pattern Recognition and Machine Learning (Information Science and Statistics). Singapore: Springer, 2006.

  2. HAYKIN, S. Neural networks and learning machines. Pearson Education, 2009.

  3. FACELI, K. et al. Inteligência Artificial: uma Abordagem de Aprendizado de Máquina. Rio de Janeiro, RJ: LTC, 2011. 

  4. MARSLAND, S. Machine Learning: An algorithmic perspective. Switzerland, Europe: CRC Press, 2015.

  5. JOSHI, P. Python Machine Learning Cookbook. Birmingham, UK: Packt Publishing, 2016.

  6. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning, MIT Press, 2016.

  7. RASCHKA, S.; MIRJALILI, V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. Switzerland, Europe: Packt Publishing, 2017.  

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 4, 5, 6 e 7 disponíveis.

 

 

Disciplina: Trabalho de Conclusão de Curso (17)

Carga Horária: 10 horas

Objetivo:

Desenvolver a capacidade de aplicação dos conceitos e teorias adquiridas durante o curso de forma integrada e transversal, resultando em um trabalho científico.

Organizar o fluxo de ideias para a elaboração e apresentação do trabalho de conclusão de curso.

Discutir os avanços no desenvolvimento obtido até o momento na elaboração do trabalho de conclusão de curso.

Programa:

Conceitos fundamentais sobre a organização e escrita de trabalho de conclusão de curso.

Estrutura de uma monografia a nível de pós-graduação.

Utilização de processadores e editores de texto na escrita de monografia (LaTeX e Word).

Escrita de seções de uma monografia: resumo, introdução, revisão sistemática da literatura, métodos e metodologia, resultados e conclusões.

Ética na escrita de monografia.

Desenvolvimento do trabalho proposto.

Técnicas para apresentação e defesa de monografia perante uma banca examinadora.

Normas da UTFPR para elaboração de trabalhos acadêmicos.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. 

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. ACEVEDO, C. R.; NOHARA, J. J. Como fazer monografias: TCC, dissertações, teses. São Paulo, SP: Atlas, 2013.

  2. WAZLAWICK, R. S. Metodologia de pesquisa para ciência da computação. Rio de Janeiro, RJ: Elsevier, 2014.  

  3. MARCONI, M. A. Metodologia do trabalho científico. Rio de janeiro, RJ: Atlas, 2017.

 

Consulta à base BiblioTec em 27/11/2019: todas bibliografias disponíveis.

 

Disciplina: Resolução de Problemas com Ciência de Dados (18)

Carga Horária: 20 horas

Objetivo:

Desenvolver a capacidade de planejamento e disciplina para resolver problemas dentro da ciência de dados.

Comparar métodos da ciência de dados para a resolução de problemas. 

Experimentar diferentes fatores de regularização e modelos. 

Criar soluções algorítmicas para problemas complexos utilizando princípios da ciência de dados e selecionando métodos adequados.

Programa:

Utilização de métodos e modelos avançados na resolução de problemas: computação evolucionária (algoritmos genéticos e programação genética) e métodos Ensemble. 

Seleção e ajuste de modelos. 

Regularização e parametrização de modelos. 

Otimização de algoritmos para ciência de dados. 

Aprendizagem baseada em problemas. 

Resolução de problemas da indústria e academia. 

Estudo de casos aplicados à ciência de dados. 

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. LUKE, S. Essentials of Metaheuristics. Slovenia, Europe: Lulu, 2015. 

  2. IDRIS, I. Python Data Analysis: Learn how to apply powerful data analysis techniques with popular open source Python modules. UK: Packt Publishing Ltd, 2014.

  3. ALPAYDIN, E. Introduction to Machine Learning. MIT Press, 2014.

  4. BOWLES, M. Machine Learning in Python: Essential Techniques for Predictive Analysis. Indianapolis, IN: John Wiley & Sons Inc, 2015. 

  5. JOSHI, P. Python Machine Learning Cookbook. Birmingham, UK: Packt Publishing, 2016.

  6. RASCHKA, S.; MIRJALILI, V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. UK: Packt Publishing, 2017.  

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 1, 5 e 6 disponíveis.

 

Disciplina: Processamento de Grandes Volumes de Dados (19)

Carga Horária: 20 horas

Objetivo:

Relacionar o ecossistema da computação paralela e distribuída com o processamento massivo de grandes volumes de dados presente na ciência de dados.

Apresentar e discutir os modelos e linguagens de programação para o processamento massivo de grandes volumes de dados.

Comparar métodos de processamento analítico, paralelo e distribuído de dados. 

Criar soluções algorítmicas para problemas complexos utilizando sistemas paralelos e distribuídos.

Classificar os conceitos acerca computação em nuvem.

Programa:

Principais elementos, ecossistema e a arquitetura de ambientes de computação paralela e distribuído.

Paradigma de programação MapReduce na resolução de problemas com computação paralela e distribuídos.

Sistemas paralelos e distribuídos: Apache Hadoop e Apache Spark.

Linguagens de programação e de consultas para ambientes Hadoop e Spark (pySpark).

Extensões do Apache Hadoop e Apache Spark.

Conceitos fundamentais sobre computação em nuvem: Software como Serviço (SaaS), Plataforma como um Serviço (PaaS) e Infraestrutura como Serviço (IaaS).

Ambientes de computação em nuvem: AWS, Azure, entre outros.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. WHITE, T. Hadoop: The Definitive Guide, Storage and Analysis at Internet Scale. Switzerland, Europe: O'Reilly Media, 2015.

  2. MARQUESONE, R. F. P. Big Data: Técnicas e tecnologias para extração de valor dos dados. São Paulo, SP: Casa do Código, 2016. 

  3. ÖZSU, M. T.; VALDURIEZ, P. Principles of Distributed Database Systems. France, Europe: HAL CCSD, Springer, 2019. 

 

Consulta à base BiblioTec em 27/11/2019: todas bibliografias disponíveis.

 

Disciplina: Mineração de Dados para Inteligência de Negócio (20)

Carga Horária: 20 horas

Objetivo:

Apresentar e discutir conceitos básicos de mineração de dados.

Analisar a exploração de grandes volumes de dados de ambientes de data warehousing por meio de processamento de séries temporais e de regras de associação. 

Comparar técnicas de processamento de séries temporais.

Aplicar conceitos e algoritmos de regras de associação.

Construir soluções utilizando os métodos apresentados em um sistema gerenciador de banco de dados.

Programa:

Conceitos de mineração de dados e seus diferentes pontos de vista: o ponto de vista de banco de dados, ponto de vista da inteligência artificial e o ponto de vista da estatística.

Importância de um ambiente de data warehousing na mineração de dados.

Utilização de workflows para ciência de dados usando um Sistema Gerenciador de Banco de Dados (SGBD) como base.

Importância de séries temporais e regras de associação em um ambiente de inteligência de negócio.

Séries temporais: comparação de séries temporais (DTW, correlação cruzada), implementação, predição de valores numa série temporal (ARIMA), redução de dimensionalidade para séries temporais (piecewise aggregate approximation).

Detecção de anomalias.

Regras de associação: conceitos, medidas, algoritmo APRIORI, implementação em um SGBD.

Metodologias de Ensino Aprendizagem:

Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de problemas.

Previsão de Trabalhos Discentes:

Trabalho individual. Trabalho em grupo. Prova individual.

Forma de Avaliação:

A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial.

Bibliografia:

  1. PROVOST, F.; FAWCETT, T. Data Science for Business: What you need to know about data mining and data-analytic thinking. O'Reilly Media, Inc., 2013.

  2. CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo, SP: Saraiva, 2016.

  3. BRUCE, P.; BRUCE, A. Practical statistics for data scientists: 50 essential concepts. Switzerland, Europe: O'Reilly Media, Inc., 2017.

  4. ABRAHAM, K.; HORST, B. Data Mining in Time Series and Streaming Databases. In: Protoview, 2018.

  5. MORETTIN, P. A.; TOLOI, C. Análise de séries temporais: Modelos lineares univariados. São Paulo, SP: Blucher, 2018.

 

Consulta à base BiblioTec em 27/11/2019: bibliografias 2, 3 e 4 disponíveis.

 

Anexo 2: DOCENTES DO CURSO DE ESPECIALIZAÇÃO EM CIÊNCIA DE DADOS

 

Disciplina

Carga Horária (horas)

Titulação

Docente Responsável

Link para o Currículo Lattes

Instituição

Ambiente de Ensino e Aprendizagem a Distância

10

Doutor

Rafael Alves Paes de Oliveira

http://lattes.cnpq.br/0793753941171478

UTFPR-DV

Análise e Modelagem de Banco de Dados

20

Mestre

André Luís dos Santos Domingues

http://lattes.cnpq.br/5324041929705364

UTFPR-CP

Introdução à Análise e Ciência de Dados

20

Doutor

Francisco Carlos Monteiro Souza e Anderson Chaves Carniel (alocado 10h para cada docente)

http://lattes.cnpq.br/0057958225738520

UTFPR-DV

Introdução ao Gerenciamento de Banco de Dados

10

Doutor

Anderson Chaves Carniel

http://lattes.cnpq.br/6350698053529179

UTFPR-DV

Administração e Gerenciamento de Banco de Dados

20

Doutor

Ives Renê Venturini Pola

http://lattes.cnpq.br/9238482905472474

UTFPR-PB

Preparação Pedagógica

10

Doutor

Eduardo Cotrin Teixeira

http://lattes.cnpq.br/5225021589671179

UTFPR-CP

Linguagens de Programação para Ciência de Dados

20

Doutor

Yuri Kaszubowski Lopes

http://lattes.cnpq.br/6645986822120975

UTFPR-DV

Recuperação de Informação Baseada em Conteúdo

20

Doutor

Ives Renê Venturini Pola

http://lattes.cnpq.br/9238482905472474

UTFPR-PB

Introdução ao Big Data

20

Mestre

Francisco Pereira Junior

http://lattes.cnpq.br/9599087600537534

UTFPR-CP

Processamento Analítico de Dados

20

Doutor

Anderson Chaves Carniel

http://lattes.cnpq.br/6350698053529179

UTFPR-DV

Banco de Dados Espaciais

20

Doutor

Anderson Chaves Carniel

http://lattes.cnpq.br/6350698053529179

UTFPR-DV

Introdução ao Reconhecimento de Padrões

20

Doutor

Jefferson Tales Oliva

http://lattes.cnpq.br/5086431818930800

UTFPR-PB

Metodologia de Pesquisa Científica em Computação

20

Doutor

Alinne Cristinne Corrêa Souza

http://lattes.cnpq.br/7003131006996441

UTFPR-DV

Tópicos Especiais em Ciência de Dados

20

Doutor

Anderson Chaves Carniel

http://lattes.cnpq.br/6350698053529179

UTFPR-DV

Escrita de Artigo Científico

10

Doutor

Marcelo Teixeira

http://lattes.cnpq.br/8925349327322997

UTFPR-PB

Métodos e Modelos Avançados em Ciência de Dados

30

Doutor

Rafael Gomes Mantovani

http://lattes.cnpq.br/3753471203485400

UTFPR-AP

Trabalho de Conclusão de Curso

10

Doutor

Paulo Júnior Varela

http://lattes.cnpq.br/2269086173430177

UTFPR-FB

Resolução de Problemas com Ciência de Dados

20

Doutor

Yuri Kaszubowski Lopes

http://lattes.cnpq.br/6645986822120975

UTFPR-DV

Processamento de Grandes Volumes de Dados

20

Mestre

Rosangela de Fátima Pereira Marquesone

http://lattes.cnpq.br/1095618344499722

USP

Mineração de Dados para Inteligência de Negócio

20

Doutor

Jefferson Tales Oliva

http://lattes.cnpq.br/5086431818930800

UTFPR-PB

 

Obs.: O quadro de professores poderá sofrer alterações sem perda de conteúdo ou de qualidade das aulas.


Referência: Processo nº 23064.040682/2020-04 SEI nº 1936450